Melanom Hautkrebs Erkennung mittels Deep Learning, neuronaler Netze und klassischer maschineller Lernverfahren

Melanom ist eine der tödlichsten Hautkrebsarten und erfordert eine frühzeitige Untersuchung für das Überleben. Während die frühere Diagnose hauptsächlich von dermatologischen Untersuchungen und histopathologischen Berichten abhing, kann die Automatisierung desselben sehr zeiteffizient sein. Im folgenden Beitrag schlagen wir einen hybriden Ansatz vor, der versucht, Deep Learning mit einigen klassischen Methoden des maschinellen Lernens zur Automatisierung der Melanomerkennung zu kombinieren. Die Merkmalsextraktion und Klassifikation wurden mit CNN durchgeführt, da es am effizientesten in der Verarbeitung von Bilddaten ist. Zudem wurden SVM und KNN als Vergleichsmodelle verwendet. Ein sehr gut vorverarbeitetes Datensatz von Bildern wurde verwendet, um zu evaluieren, wie gut die Modelle hinsichtlich Genauigkeit, Präzision und Recall arbeiten können. Wir beobachten eine deutlich bessere Leistung der CNNs im Vergleich zu den traditionelleren Methoden sowie ein Ensemble von Modellen, das zu einer höheren Diagnosesicherheit führt. Die Technik bietet großes Potenzial zur Unterstützung von Kliniken bei schnellerer und präziserer Diagnose von Melanomen, was eine bessere Patientenversorgung ermöglicht. Schlüsselwörter: Melanomerkennung, dermatologisch, Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Convolutional Neural Networks (CNNs).